EEMD、CEEMD算法与SVM在SST时间序列研究中的应用

海洋表面温度(SST)具有非线性、非平稳等特征,给处理和预测带来了很大的困难.将集合经验模态分解(EEMD)、改进的集合经验模态分解(CEEMD)与支持向量机(SVM)方法相结合,实现了对东北太平洋月平均海温距平序列(SSTA)的预测:首先应用EEMD或CEEMD方法将SST数据分解为多个本征模态函数(IMFs),然后应用SVM算法对各IMFs进行拟合、预测,最后对各IMFs预测结果叠加重构得到预测结果.EEMD-SVM和CEEMD-SVM数值模拟结果显示,预测最大误差小于0.25℃,并且CEEMD-SVM预测效果更好,为SST实际预测提供了参考.     

含有自适应筛选系数的广义经验模态分解方法

经验模态分解(EMD)是针对非线性和非平稳数据的有效分析方法,但是原始算法有多余分量、分量之间不完全正交等缺点.本文引入筛选系数λ将原始EMD算法推广为广义EMD算法,并且使用最小化正交条件来选取最优筛选系数.模拟数据和实际数据的分析结果显示,相比于原始EMD算法,该算法有效地减少了多余分量,更好地分解出了时间序列的趋势成分,而且提高了IMF成分序列之间的正交性.由于筛选系数是数据本身决定的,因此该算法比原始算法有更强的自适应性.     

基于EEMD的LS-SVM和BP神经网络混合短期负荷预测

提出了基于总体平均经验模态分解(EEMD)、最小二乘支持向量机(LSSVM)和BP神经网络的实用综合短期负荷预测方法,进行电力系统短期负荷预测.首先运用EEMD方法将非平稳的负荷序列分解,然后根据分解后各分量的特点选用最佳的核函数,利用最小二乘支持向量机分别对各分量进行预测,最后对各分量预测结果采用BP神经网络重构得到最终的预测结果.对实测数据的分析表明基于该综合方法的电力系统短期负荷预测具有较高的精度.     

基于门控递归单元神经网络的高速公路行程时间预测

为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.     

基于VMD-ELM的农产品期货价格分解集成预测模型

为了捕捉农产品市场期货价格波动的复杂特征,进一步提高其预测精度,基于分解集成的思想,构建包含变分模态分解(VMD)和极限学习机(ELM)的分解集成预测模型。首先,利用VMD分解的自适应性和非递归性,选择VMD将复杂时间序列分解成多个模态分量(IMF)。其次,针对VMD分解关键参数模态数K的选取难题,提出基于最小模糊熵准则寻找最优K值的方法,有效避免模态混淆和端点效应问题,从而提升VMD的分解能力。最后,利用ELM强大的学习能力和泛化能力,对VMD分解得到的不同尺度子序列进行预测,集成得到最终预测结果。以CBOT交易所稻谷、小麦、豆粕期货价格作为研究对象,实证结果表明,该分解集成预测模型在预测精度和方向性指标上,显著优于单预测模型和其它分解集成预测模型,为农产品期货价格预测提供了一种新途径。     

非线性多尺度建模及其应用

针对非线性时间序列数据建模问题,首先对数据进行经验模态分解(Empirical Mode Decomposition,EMD),得到一系列反映序列演化过程的本征模态函数(Intrinsic mode function,IMF),然后对IMF进行Hilbert变换,利用各分量的Hilbert变换的振幅和频率建立非线性多尺度数学模型.以黄河某水质检测站溶解氧含量为例,应用EMD分解和Hilbert变换的结果,建立两个多尺度的数学模型.经过检验,模型的拟合精度、显著性和残差均符合要求.模型模拟结果中提取溶解氧多尺度信息,并且应用该模型进行预报,预报的相对误差小在0.08%~12.8%之间.     

小波分析方法在金融股票数据预测中的应用

利用小波分析预测方法对金融数据—股票收盘价这一典型的非平稳时间序列进行预测.使用M a llat小波分解算法对数据进行分解,对分解后的数据进行平滑处理,然后再进行重构,而重构之后的数据就成为近似意义的平稳时间序列,这样就得到了原始数据的近似信号,再应用传统时间序列预测方法对重构后的数据进行预测,将预测结果与实际值,以及和传统预测方法预测结果比较,小波分析方法预测效果更为理想.     

基于多尺度自适应阶ARMA的混沌序列多步预测

混沌时间序列在自然界以及人们的生产生活中很常见,混沌序列看似杂乱无章但相较于纯随机序列其中蕴含着一些非线性的运动特征,提出一种基于多尺度自适应阶ARMA的混沌时间序列多步预测方法.首先利用自适应噪声的完备经验模态分解(CEEMDAN)对原始混沌序列进行分解,获得不同尺度的固有模态分量(IMF)和残余分量.然后采用经粒子群算法(PSO)进行阶数寻优的自回归移动平均模型(ARMA)对每一个IMF分量进行拟合预测.最后将预测得到的每一个分量相加得到原始混沌序列的预测值.基于Mackay-Glass混沌序列和太阳黑子数混沌序列进行实验分析,实验表明:与ARMA、PSO-ARMA以及CEEMDAN-ARMA方法相比,方法的预测效果有较好的提高,其平均绝对误差(MAE)、均方根误差(RMSE)以及平均绝对百分比误差(MAPE)都有降低.     

基于CEEMD与GA-SVR的猪肉价格集成预测模型

为提高猪肉价格预测的准确性,结合互补集合经验模态分解(CEEMD)的分解能力和基于遗传算法的支持向量回归(GA-SVR)的自适应预测功能,构建猪肉价格集成预测模型.首先为解决猪肉价格的复杂波动特征,通过CEEMD对猪肉价格分解得到本征模态函数(IMF)序列集;然后使用排序熵(PE)对IMF序列进行复杂度分析,进一步使用快速傅里叶变换方法(FFT)分解复杂度高的序列;再利用灰色关联度(GCD)对IMF序列集进行关联性分析,聚合相似IMF序列;最后基于各IMF序列的数据特征构建相应的GA-SVR预测模型,并将子序列的预测结果集成获得最终价格预测值.以中国集贸市场的猪肉价格为研究对象,实证结果表明,该集成预测模型在预测精度和方向性指标上,显著优于其他单预测模型和分解集成预测模型.     

一种基于局部回归的多尺度碳市场价格预测模型研究

碳市场价格呈现非线性、非平稳的复杂特性,准确预测具有较大的挑战。基于“分而治之”的思想,提出了一种基于局部回归的多尺度碳市场价格预测模型。提出的模型利用集成经验模态分解(EEMD)对碳市场价格时间序列进行分解。启发于EEMD局部特征分解的特点,对分解后的分量采用局部回归方法进行预测,然后将分量预测结果进行集成。采用的局部回归方法包括局部线性回归(LLP)、局部多项式回归、局部岭回归、局部主成分回归、局部偏最小二乘回归和局部套索回归。实验结果表明基于局部回归的多尺度预测模型具有优异的预测性能。在提出的模型中,EEMD-LLP结构简单且性能更为突出,进一步对EEMD-LLP参数的适应性进行探讨。与新近提出模型的对比结果表明了EEMD-LLP在碳市场价格预测中的有效性。     

Short-term prediction of wind power using EMD and chaotic theory

Due to the strong non-linear, complexity and non-stationary characteristics of wind farm power, a hybrid prediction model with empirical mode decomposition (EMD), chaotic theory, and grey theory is constructed. The EMD is used to decompose the wind farm power into several intrinsic mode function (IMF) components and one residual component. The grey forecasting model is used to predict the residual component. For the IMF components, identify their characteristics, if it is chaotic time series use largest Lyapunov exponent prediction method to predict. If not, use grey forecasting model to predict. Prediction results of residual component and all IMF components are aggregated to produce the ultimate predicted result for wind farm power. The ultimate predicted result shows that the proposed method has good prediction accuracy, can be used for short-term prediction of wind farm power.     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

基于EEMD-Elman-Adaboost的中美股票价格预测研究

针对股票价格序列高度非正态、非线性、非平稳等复杂特征,文章以Elman神经网络为基础,引入集合经验模态分解(EEMD)与Adaboost算法,对中美股票的日收盘价进行预测。首先,利用EEMD算法将样本分解为多个本征模函数分量和1个残差分量。其次,用Adaboost算法优化Elman神经网络,对各个分量进行预测。最后,将各分量预测结果进行求和,作为最终预测结果。研究结果表明:EEMD-Elman-Adaboost模型对中美股票价格预测的均方根误差、平均相对误差、平均绝对误差均比现有的BP、Elman、EMD-Elman、EEMD-Elman模型小,新组合模型融合了EEMD、Elman神经网络、Adaboost算法的优点,具有更强的泛化能力和跟随能力。     

COVID-19 Epidemic Prediction Based on Deep Learning

In this paper, a multi-layer gated recurrent unit neural network (multi-head GRU) model is proposed to predict the confirmed cases of the new crown epidemic (COVID-19). We extract the time series relationship in the data, and the rolling prediction method is adopted to ensure the simple structure of the model and achieve higher precision and interpretability. The prediction results of this model are compared with the LSTM model, the Transformer model and the infectious disease model (SIR). The results show that the proposed model has higher prediction accuracy. The mean absolute error (MAE) of epidemic prediction in most countries (the United States, Brazil, India, the United Kingdom and Russia) is respectively 197.52, 68.02, 200.67, 24.78 and 123.50, which is much smaller than the prediction error of the SIR model, LSTM model and Transformer model. For the spread of the COVID-19 epidemic, traditional infectious disease models and machine learning models cannot achieve more accurate predictions. In this paper, we use a GRU model to predict the real-time spread of COVID-19, which has fewer parameters and reduces the risk of overfitting to train faster. Meanwhile, it can make up for the shortcoming of the transformer model to capture local features.     

Forecasting and recombining time-series components by using neural networks

Operations and other business decisions often depend on accurate time-series forecasts. These time series usually consist of trend-cycle, seasonal, and irregular components. Existing methodologies attempt to first identify and then extrapolate these components to produce forecasts. The proposed process partners this decomposition procedure with neural network methodologies to combine the strengths of economics, statistics, and machine learning research. Stacked generalization first uses transformations and decomposition to pre-process a time series. Then a time-delay neural network receives the resulting components as inputs. The outputs of this neural network are then input to a backpropagation algorithm that synthesizes the processed components into a single forecast. Genetic algorithms guide the architecture selection for both the time-delay and backpropagation neural networks. The empirical examples used in this study reveal that the combination of transformation, feature extraction, and neural networks through stacked generalization gives more accurate forecasts than classical decomposition or ARIMA models.?Scope and Purpose.?The research reported in this paper examines two concurrent issues. The first evaluates the performance of neural networks in forecasting time series. The second assesses the use of stacked generalization as a way of refining this process. The methodology is applied to four economic and business time series. Those studying time series and neural networks, particularly in terms of combining tools from the statistical community with neural network technology, will find this paper relevant.     

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.     

A novel hybrid decomposition-ensemble model based on VMD and HGWO for container throughput forecasting

This paper built a hybrid decomposition-ensemble model named VMD-ARIMA-HGWO-SVR for the purpose of improving the stability and accuracy of container throughput prediction. The latest variational mode decomposition (VMD) algorithm is employed to decompose the original series into several modes (components), then ARIMA models are built to forecast the low-frequency components, and the high-frequency components are predicted by SVR models which are optimized with a recently proposed swarm intelligence algorithm called hybridizing grey wolf optimization (HGWO), following this, the prediction results of all modes are ensembled as the final forecasting result. The error analysis and model comparison results show that the VMD is more effective than other decomposition methods such as CEEMD and WD, moreover, adopting ARIMA models for prediction of low-frequency components can yield better results than predicting all components by SVR models. Based on the results of empirical study, the proposed model has good prediction performance on container throughput data, which can be used in practical work to provide reference for the operation and management of ports to improve the overall efficiency and reduce the operation costs.     

混合区间多尺度分解的区间时间序列组合预测

鉴于传统预测方法一直基于“点”来衡量时间序列数据,然而现实生活中在给定的时间段内许多变量是有区间限制的,点值预测会损失波动性信息。因此,本文提出了一种基于混合区间多尺度分解的组合预测方法。首先,建立区间离散小波分解方法(IDWT)、区间经验模态分解方法(IEMD)和区间奇异普分析方法(ISSA)。其次,用本文构建的IDWT、IEMD和ISSA对区间时间序列进行多尺度分解,从而得到区间趋势序列和残差序列。然后,用霍尔特指数平滑方法(Holt's)、支持向量回归(SVR)和BP神经网络对区间趋势序列和残差序列进行组合预测得到三种分解方法下的区间时间序列预测值。最后,用BP神经网络对各预测结果进行集成得到区间时间序列最终预测值。同时,为证明模型的有效性进行了AQI空气质量的实证预测分析,结果表明,本文所提出基于混合区间多尺度分解的组合预测方法具有较高的预测精度和良好的适用性。